我们希望我们的轮式机器人遵循一条(相当短的)轨迹。我们编写了一个LQR控制器,该控制器在仿真中效果很好。但是,我们的机器人存在两个问题:

1.)报告的状态信息似乎不太准确。

2.)其运动似乎有些随机偏差。我们没有成功建立一个好的模型来预测具有给定控制输入的机器人运动。

是否可以使用LQR控制器来解决这些问题?如果是,怎么办?

#1 楼

在有限的条件下是可能的。线性二次调节器(LQR)控制器假定受控制的系统具有线性动力学,并且过渡和观测模型是确定性的。在实践中,如果违反了这些条件就可以工作,但违反越严重,失败的可能性就越大。

另一种选择是线性二次高斯控制器,因为它允许运动中产生噪音和感知。使用LQG的挑战在于您必须具有噪声模型。

更具体地说,假设您具有以下动态模型:

$ \ dot {\ mathbf {x }}(t)= A \ mathbf {x}(t)+ B \ mathbf {u}(t)+ \ mathbf {v}(t),\ mathbf {v}(t)\ sim \ mathcal {N} (0,M)\\
\ mathbf {y}(t)= C \ mathbf {x}(t)+ \ mathbf {w}(t),\ mathbf {w}(t)\ sim \ mathcal {N}(0,N)$

其中$ \ mathbf {x}(t)$和$ \ mathbf {u}(t)$表示系统和控件的状态分别应用于时间$ t $,$ A $,$ B $和$ C $分别代表自然动力学,控制动力学和观察动力学,最后代表$ \ mathbf {v}(t)$和$ \ mathbf {w}(t)$分别代表运动模型和观察模型的噪声,它们是零均值高斯分布,具有协方差$ M $和$ N $。

为了使用LQG,需要知道$ A $,$ B $,$ C $,$ M $和$ N $以及系统的初始状态,即$ \ mathbf {x}(0)$。

#2 楼

这取决于问题的实际来源。如果您的状态估计中只是有很多杂音,则可以通过调整权重以降低攻击性来改善某些情况。

如果问题在于您的状态估计始终相距遥远,您就无法在确定估算器之前,请执行任何操作。通常在车辆控制中,这实际上是最大的挑战。